思考式起草：光学解压的数学重构
计算与语言
2026-04-30 v2
摘要
现有的多模态大语言模型已实现高保真的视觉感知与探索性视觉生成。然而，在复杂推理任务中仍存在精密悖论：光学感知系统仅将符号转录为字符，而基于像素的生成模型则产生缺乏数学精确性的视觉伪影。为弥合这一差距，我们提出将视觉输入的推理重新概念化为光学解压——即从压缩视觉标记中重建潜在逻辑结构的过程。我们引以“解析即推理”为 axiom，引入思考式起草（Thinking with Drafting, TwD）方法，利用极简的领域特定语言（Domain-Specific Language, DSL）作为底层中间表示。不同于直接幻想答案的常规方法，TwD 要求模型将其心智模型草拟为可执行代码，从而为自我验证生成确定性的视觉证明。为验证这一方法，我们提出了 VisAlg 这一视觉代数基准。实验表明，TwD 作为认知支架具有优势。我们的工作建立了一个闭环系统，其中视觉生成不作为创造性输出，而是作为逻辑验证器，为视觉推理提供了可通用的路径。
引用
@article{arxiv.2602.11731,
title = {Thinking with Drafting: Optical Decompression via Logical Reconstruction},
author = {Jingxuan Wei and Honghao He and Caijun Jia and Siyuan Li and Zheng Sun and Yuhang Xu and Yuanyuan Lin and Linzhuang Sun and Yuchen Wu and Bihui Yu and Xiangxiang Zhang and Cheng Tan},
journal= {arXiv preprint arXiv:2602.11731},
year = {2026}
}